有效,强大,准确的CNN预测器用于神经元激活在方向深度大脑刺激中

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 深度大脑刺激 (DBS) 编程涉及复杂的参数调整.
• 随着先进的电极设计,手动DBS编程变得越来越不切实际.
• 目前活化组织体积 (VTA) 的计算是耗时的.

研究的目的:

• 在DBS中开发一种更快,更准确的VTA计算方法.
• 用机器学习方法取代传统的,缓慢的轴突建模.
• 提高DBS编程的效率和稳定性.

主要方法:

• 利用有限元模型 (FEM) 来模拟DBS系统中的电场.
• 通过使用多分区电缆模型生成了轴突反应的数据集.
• 训练了一个卷积神经网络 (CNN) 来预测神经激活值.

主要成果:

• 在预测神经纤维激活值 (MAE为0.032V) 方面,CNN模型取得了很高的准确性.
• 与现有的激活函数 (AF) 方法相比,CNN表现出卓越的稳定性和准确性.
• 计算时间比标准方法减少了五个数量级.

结论:

• 基于CNN的神经纤维预测为DBS编程提供了快速,准确和强大的解决方案.
• 这种人工智能驱动的方法提高了VTA计算的效率.
• 该方法显示了在DBS参数选择中临床适用性的显著潜力.